superpixels（超像素）
超像素于2003年提出，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。第一次听说这个超像素很容易理解错误，以为是在普通的像素基础上继续向微观细分，这样理解就恰好理解反了。其实，超像素是一系列像素的集合，这些像素具有类似的颜色、纹理等特征，距离也比较近。需要注意的是，超像素很可能把同一个物体的不同部分分成多个超像素。
Semantic Segmentation（语义分割）
语义分割还是比较常见的，就是把图像中每个像素赋予一个类别标签（比如汽车、建筑、地面、天空等），常采样不同颜色进行区别，如草地（浅绿）、人（红色）、树木（深绿）、天空（蓝色）等标签，用不同的颜色来表示。不过这种分割方式存在一些问题，比如一个像素被标记为红色，若代表这个像素所在的位置是一个人，但是如果有两个都是红色的像素，这种方式就无法判断它们是属于同一个人还是不同的人，也就是说语义分割只能判断类别，无法区分个体。
Instance Segmentation（实例分割）
实例分割方式类似于物体检测，物体检测一般输出的是 bounding box，而实例分割输出的是一个蒙版-mask。实例分割与语义分割不同，它不需要对每个像素进行标记，它只需要找到感兴趣物体的边缘轮廓就行，比如一幅图中的人就是感兴趣的物体，每个人都用不同的颜色的轮廓标记，因此可以很容易区分出单个个体。
Panoptic Segmentation（全景分割）
全景分割是语义分割和实例分割的结合体。将每个像素划分为一类，如果一种类别里有多个实例，会用不同的颜色进行区分，很清楚的知道哪个像素属于哪个类中的哪个实例，因此可以通过蒙版-mask的颜色很容易分辨出不同的实例。
超分辨率技术
超分辨率技术（Super-Resolution, SR）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。